Opencv SiFT的特徵向量大小

Question

我想使用篩選使用Normal Bayes分類器進行對象分類。當我計算每個可變大小圖像的描述符時，我會得到不同大小的特徵向量。例如：

Feature Size: [128 x 39] 

Feature Size: [128 x 54] 

Feature Size: [128 x 69] 

Feature Size: [128 x 64] 

Feature Size: [128 x 14] 

至於發展，我使用20個訓練圖像，因此我有20個標籤。我的分類只有三類，包含汽車，書和球。所以我的標籤向量大小是[1 x 20]

據我所知，執行機器學習的特徵向量大小和標籤向量大小應該是相同的，所以我應該得到一個向量大小爲[__ x 20]並且標籤是[1 x 20]。

但我的問題是，篩選有128維的特徵空間，因此每個圖像都有不同的特徵尺寸，如上所示。如何將所有尺寸轉換爲相同尺寸而不會丟失功能？ 或者我可能做得不對，請幫我解決這個問題？

PS：實際上我已經使用BOW模型做了它，它的工作原理，但僅僅是爲了我的學習目的，我試圖在這個問題上做，只是爲了學習興趣，所以任何提示和建議都歡迎。謝謝

Answer 1

你說得對，SIFT描述符是一個128維的特徵。

爲圖像中檢測到的每個關鍵點計算SIFT描述符。在計算描述符之前，您可能使用了檢測器（如Harris，Sift或Surf Detector）來檢測興趣點。

檢測關鍵點和計算描述符是兩個獨立的步驟！

當您在程序中打印Feature Size: [128 x Y]時，Y表示在當前圖像中檢測到的關鍵點數。

通常，使用BOW允許您爲每個關鍵點描述符分配BOW中最接近的簇的指示。根據您的應用程序，您可以做出決定......（對現場中存在的一個對象進行投票或...）

Answer 2

如果您不想使用BOW，可嘗試將各個SIFT功能與描述在原始SIFT paper by Lowe。

其基本思想是將兩幅圖像相互比較並決定它們是否相似。您可以通過比較各個SIFT功能來做到這一點。你決定他們是否匹配。然後，要檢查空間位置是否一致，您需要檢查是否可以將匹配的特徵從一個圖像轉換爲另一個圖像。

它在SIFT wikipedia article中有更詳細的描述。